基于高光谱成像技术的小麦籽粒品种鉴别方法研究

为了更精确地鉴别小麦品种,实现小麦品种快速、无损、有效、稳定的鉴别。利用高光谱成像系统采集6个小麦品种籽粒光谱和图像信息,提取小麦籽粒胚、胚乳、胚和胚乳混合部位的光谱,采用不同的预处理方法对原始光谱进行处理,利用竞争性自适应重加权算法(CARS)和连续投影算法(SPA)提取特征波长,基于全波长和特征波长建立线性判别分析(LDA)、支持向量机(SVM)和K最邻近(KNN)模型,筛选出最佳的籽粒部位光谱、预处理方法和特征波长提取方法;在此基础上,分析光谱信息、形态特征及二者结合信息对小麦品种的鉴别效果。结果表明,基于34个特征波长光谱信息结合形态特征建立的LDA模型效果最佳,其训练集和预测集的正确判别率分别为91.3%和86.0%。基于高光谱成像技术进行小麦品种鉴别是可行和有效的。     

近红外技术对不同动物来源肉掺假的检测

采用近红外光谱结合主成分分析法(PCA)、判别分析法,分别建立了牛肉和羊肉中掺杂其它动物肉的定性鉴别模型,根据鉴别准确率评价模型的预测性能。采用近红外光谱结合PCA、偏最小二乘法(PLS),建立了掺假物的定量检测模型,根据模型对预测集样品的预测均方差(RMSEP)以及预测值与实测值间的相关系数(r)验证模型的预测能力。结果,牛肉掺猪肉模型对训练集和预测集的鉴别准确率分别为97.86%和91.23%,羊肉掺猪肉模型对训练集和预测集的鉴别准确率分别为98.28%和92.98%,羊肉掺鸭肉模型对训练集和预测集的鉴别准确率分别为99.59%和93.97%,羊肉掺假模型对训练集和预测集的鉴别准确率分别为97.57%和90.76%。牛肉掺假定量模型对训练集的交互验证均方差(RMSECV)和预测集的RMSEP分别为3.87%和4.13%,r分别为0.9505和0.9134;羊肉掺假定量模型对训练集的RMSECV和预测集的RMSEP分别为4.48%和4.86%,r分别为0.9306和0.9082。表明近红外技术结合一定的化学计量学方法可实现不同动物来源肉掺假的鉴别,且能够对掺假物进行定量检测。     

拉曼光谱法快速鉴别蜂蜜中掺入甜菜糖浆的可行性研究

对蜂蜜用各种廉价的糖浆掺假,一直是蜂蜜行业的严重问题。本文利用拉曼光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行鉴别。用airPLS法扣除拉曼荧光背景,用自归一化法预处理光谱,在全谱范围(4000～10000cm^-1)内建立偏最小二乘-线性判别分析（PLS-LDA）模型,并进行预测。训练集10折交互验证的判别总正确率为90.4%,预测集的判别总正确率为95.4%。实验结果表明拉曼光谱结合化学计量学方法可快速鉴别蜂蜜中掺入的甜菜糖浆。     

基于超高效液相色谱-高分辨质谱的白酒基酒等级判别

白酒基酒等级的准确鉴别是白酒分级储藏和勾兑的重要依据,对白酒质量控制至关重要。以浓香型白酒基酒为研究对象,采用超高效液相色谱-高分辨质谱联用(UPLC-Q-Exacive-MS)技术对不同等级浓香型白酒基酒进行分析,经过主成分分析(PCA)降维处理,结合线性判别分析(LDA)、支持向量机(SVM)和反向传播神经网络(BP-ANN)等多种化学计量学方法建立白酒基酒等级判别模型。结果显示,BP-ANN鉴别效果最好,在主成分为8时,训练集和测试集的识别率均达100%,不同等级的白酒样本全部正确识别;其次是SVM(训练集和测试集的识别率分别为96.25%、95.00%)和LDA(训练集和测试集的识别率分别为91.25%、90.00%)。实验证明,UPLC-Q-Exacive-MS结合化学计量学分析方法能实现不同等级浓香型白酒基酒的准确判别。     

便捷式智能化大米新鲜度检测系统设计与应用

目的:实现大米新鲜度的快速无损检测。方法:研制一套基于纳米色敏传感器结合近红外光谱分析原理的便携式装置系统。对所采集到的不同掺陈度大米样品所对应色敏传感器的光谱数据，进行多梯度掺陈大米的鉴别与跨批次大米新鲜度的预测。结果:使用Si-CARS-PLS提取光谱特征变量，经LDA算法建模后判别模型的识别率最高，训练集和预测集的识别率分别为97.22%和95.83%。同时，PLSR模型预测跨批次数据具有更强的稳定性，不同批次大米样品数据训练集和预测集的相关系数(R_c、R_p)均稳定在0.95左右，均方根误差(RMSEC、RMSEP)均低于0.2,相对分析误差(RPD)均大于3。结论:该系统具有准确率高、便捷和预测模型鲁棒性好等特点，在大米新鲜度的现场检测中有很好的应用前景。     

基于近红外光谱和随机森林方法鉴别蜂蜜真伪

目的建立蜂蜜样品真伪鉴别的近红外光谱快速检测方法,为今后蜂蜜检验工作提供可靠参考依据。方法采用积分球透反射模式采集样品近红外光谱数据,以Savitzky-Golay 1阶微分方法对原始光谱进行预处理,以随机森林方法建立光谱数据与蜂蜜真伪的定性判别模型。结果所建立的判别模型中训练样本判别正确率为100%,测试样本判别正确率为95%。结论近红外透反射光谱技术应用于蜂蜜真伪鉴别的可行性,同其他分析方法相比具有操作简单、速度快、效率高、无污染、费用低、无需复杂前处理等优点。     

基于拉曼光谱的大米快速分类判别方法

以拉曼光谱技术为手段,结合化学计量学方法,对来自黑龙江、江苏、湖南3个产地共123份大米样品的光谱数据进行采集,并对得到的拉曼图谱进行主成分分析(PCA)和偏最小二乘判别分析(PLSDA),建立大米快速分类判别方法。应用主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;选择不同种类、品种和产地的稻米样本建立相应的偏最小二乘判别分析模型,其中2/3的样本作为建模训练集,1/3的样本作为建模校正集,按照种类、产地、品种建立的模型其训练集样本正确判别率均为100%,校正集样本正确判别率分别为100%,100%,94.12%。因此,研究所建立的拉曼光谱技术结合化学计量学方法可以快速、有效地鉴别大米种类、品种及产地。     

枇杷蜂蜜中饴糖的近红外光谱检测

实验通过对纯枇杷蜂蜜及主动掺入1%、2%……30%饴糖的假枇杷蜂蜜进行近红外光谱扫描,采用TQAnalysisv6对数据进行预处理,建立饴糖含量的定性及偏最小二乘法和主成分回归法定量分析模型,并将模型应用于蜂蜜样品的分析预测。结果显示,采用原始光谱或一阶微分处理建立的判别分析模型均能够较好地区分掺饴糖蜂蜜与纯蜂蜜。根据PLS算法、PCR算法建立的定量模型相关系数分别为0.99771、0.98654,用于预测的蜂蜜样品实际值与预测值之间的决定系数分别为0.992、0.974。由此可见,用近红外光谱技术鉴别蜂蜜中是否添加饴糖是可行的,在实际操作中可以采用近红外光谱法快速定性判别蜂蜜中是否含有饴糖,也可根据化学计量法确定饴糖的含量,为蜂蜜打假提供依据。     

氢核磁共振结合正交偏最小二乘法对油菜蜜中果葡糖浆掺假的判别分析

利用氢核磁共振(1H nuclear magnetic resonance,1H NMR)谱图结合正交偏最小二乘(orthogonal partial least squares,OPLS)法对油菜蜂蜜和果葡糖浆掺假蜂蜜进行判别分析。采集了303个油菜蜜样品和180个按照不同比例配制的果葡糖浆掺假蜂蜜样品的1H NMR谱图,并对油菜蜜主要糖类成分和部分低含量化合物进行了信号归属。采用OPLS对训练集数据进行分析,建立蜂蜜果葡糖浆掺假判别模型。通过排列实验法对模型进行可靠性检验。结果显示,油菜蜜和果葡糖浆掺假蜂蜜样品在OPLS得分图中能明显区分。训练集和测试集样品的总体判别正确率分别为98.40%和98.24%。因此,1H NMR与OPLS相结合可以实现油菜蜜中果葡糖浆掺假的快速鉴别。该方法是基于对蜂蜜成分的整体分析,避免了仅仅分析个别成分指标的检验方法中存在的缺陷,为蜂蜜质量监控提供了一种新思路。     

自制电子鼻检测霉变大米

为对不同霉变程度的大米实现快速鉴别,研制了一套以LabVIEW为平台用于检测大米霉变的电子鼻系统。通过霉菌孢子液侵染正常大米,使用该电子鼻系统对不同天数掺入不同比例霉米的大米样品挥发物进行检测,对采集数据进行主成分分析（PCA）、线性判别分析（LDA）,最后使用反向传播（back propagation,BP）神经网络建立预测模型。结果表明,得分图显示正常大米和霉变大米挥发物差异性显著,LDA分类效果优于PCA;所建立的模型预测值和实际值相关性达0.953以上,训练集和测试集平均相对误差分别为3.56%、4.18%,训练集和测试集对于正常大米样本识别率为100%。综上,电子鼻系统可以作为霉变大米无损检测的有效手段,在大米品质鉴别方面具有实际应用意义。     

矿质元素含量结合化学计量学对云南3种单花种蜂蜜的花源鉴别研究

为了鉴别云南地区3种单花种蜂蜜的花源,利用火焰原子吸收光谱法(F-AAS)和石墨炉原子吸收光谱法(GF-AAS)测定了云南地区3种特色春蜂蜜(苕子蜂蜜、橡胶蜂蜜和石榴蜂蜜)中K、Na、Zn、Mn、Mg、As、Fe、Cr、Ni、Ca、Cu、Pb和Cd的含量。比较发现,3种蜂蜜间的矿质元素含量差异较明显。以矿质元素含量为变量,应用PCA、PLS-DA和BP-ANN,对3种蜂蜜进行分析。PCA将13个变量降为三个主成分,三个主要组件解释了66.39%的总方差,并初步实现了不同蜂蜜的分类。在上述结果的基础上,从每种蜂蜜中随机选取30个样品,分别构建PLS-DA和BP-ANN蜂蜜鉴别模型。PLS-DA模型的训练和交叉验证分类的总正确率分别为96.7%和92.2%;BP-ANN模型的训练和交叉验证分类的总正确率分别为100%和95.6%。与PLS-DA相比,BP-ANN模型的性能较好。应用训练后的BP-ANN模型,对余下的35个蜂蜜样品进行测试,橡胶蜂蜜和石榴蜂蜜的预测精度达到100%,而苕子蜂蜜因一个样品被错误的划分到石榴蜂蜜,预测精度为90%。利用F-AAS、GF-AAS测定矿质元素含量结合化学计量学可以实现云南地区3种单花种蜂蜜的花源鉴别。     

基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究

采用连续投影算法(successive project algorithm,SPA)对177个不同产地油菜蜜样本的近红外光谱做波长选择,然后以33个特征变量作线性识别分析(LDA)。同时,也采用了主成分分析(PCA)对变量进行压缩。比较了二次识别分析(QDA)和簇类独立软模式分类法(SIMCA)的鉴别结果。SPA-LDA模型预测集的鉴别准确率为97.7%,而PCA-LDA、全谱的SIMCA和SPA-QDA预测集的正确率分别为93.2%、95.4%和90.9%;上述四种方法ROC曲线下的面积分别为0.964、0.912、0.948和0.933。SPA-LDA性能比其他三种方法要好。该方法准确、可靠,为蜂蜜真实性的现场快速检测提供了一种新方法。     

基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

近红外光谱结合PLS-DA划分烟叶等级

为了对烟叶等级进行快速分类,采用云南曲靖地区150个烟草样品近红外光谱,结合偏最小二乘判别分析(PLS-DA),建立了烟叶等级分类模型,并对60个预测集样品进行了等级分类预测.结果表明:①训练集和预测集的预测正确率分别为100.0％(150/150)和96.7％(58/60).②PLS-DA对烟叶等级具有良好的分类效果.该模型为烟叶等级分类提供了一种新的快速鉴别分析的方法.     

微型近红外光谱技术在白芍快速检验方面的应用

目的建立一种微型近红外光谱技术快速判别白芍药材品质合格与否的方法。方法对106批次白芍药材样品采用HPLC法测定芍药苷的含量,同时采用微型近红外光谱仪采集样品光谱,根据药材芍药苷含量大于或小于1.2%,将药材区分为合格与不合格两类,采用偏最小二乘法判别分析(PLSDA)建立合格与不合格药材判别模型,并采用训练集样本对模型预测能力进行外部验证,以识别率和拒绝率为模型评价参数。结果模型验证集、校正集及训练集的识别率和拒绝率均达100%。结论微型近红外光谱技术能准确、快速判别白芍药材的质量。本研究对快速鉴别药材质量具有指导意义。     

基于SVM的棉麻织物近红外光谱快速无损鉴别

将近红外光谱技术与支持向量机(SVM)相结合建立分类模型,用于棉、麻织物的快速无损鉴别。选用径向基函数(RBF)作为核函数,分别采用网格搜索法、遗传算法和粒子群算法对惩罚参数c和核函数参数g进行参数寻优。结果显示,用网格搜索法得到的最佳参数c和g建立的模型分类结果最好,模型对棉、麻训练集的分类准确率分别为100%和99.12%,对预测集的分类准确率均为96.67%。近红外光谱技术鉴别单个样品的时长小于3 min,实现了快速鉴别。结果表明,近红外光谱技术与支持向量机相结合,可用于棉、麻织物的快速无损鉴别。     

基于红外光谱技术的银耳产地识别研究

采用傅里叶红外光谱数据分析技术结合多元统计分析对银耳产地进行识别研究。采集福建古田、四川通江和河南的41个银耳样品的红外光谱信息,分析银耳的红外光谱特征;运用基线校正、多元散射校正(Multiplicative signal correction,MSC)、一阶导数(First derivative,FD)、二阶导数(Second derivative,SD)、Norris平滑(ND)、Savitzky-Golay平滑(SG)等方法对其进行预处理,选择最佳组合方法预处理后的光谱数据,建立最小偏二乘判别(PLS-DA)模型,并进行验证。结果表明,MSC+SD+SG(13,3)组合方法的预处理光谱效果最佳,与原始光谱相比,样品正确识别率提高了17.41%,达到100%。训练集和预测集的相关系数分别为0.9766、0.9559,校正标准差和预测标准差分别为0.1182、0.1740,模型对训练集和预测集样品的识别率均为100%。因此,红外光谱通过PLS-DA分析可以对不同产地的银耳进行快速、有效、准确的识别。     

基于LVQ和THz时域光谱的玉米品种分类鉴别研究

农作物的产量和品质与其自身的品种密切相关,因此品种鉴别对于农业生产和安全具有极为重要的意义。研究提出将太赫兹时域光谱(THz-TDS)与神经网络学习矢量量化(LVQ)相结合的方法用于四类玉米品种鉴别。实验选取120粒玉米样本的衰减全反射(ATR)吸收系数0～70 cm~(-1)谱区作为LVQ网络输入,4个品种作为网络输出,随机划分测试集与训练集的样本比例为1:1、1:2和1:5时,测试集识别率分别为80%、82. 5%、95%;实验选取ATR吸收系数0～275 cm~(-1)全谱区作为LVQ网络输入时,测试集识别率分别为93. 3%、97. 5%、100%。实验结果表明采用太赫兹光谱结合LVQ方法能有效鉴别玉米品种,该方法对于农作物品种快速鉴别具有一定的借鉴性。     

基于高光谱图像的玉米种子产地与年份鉴别

提出了一种利用高光谱图像技术对玉米种子产地和年份的鉴别方法。首先采用高光谱成像系统采集不同产地和年份的玉米种子高光谱图像,利用主动轮廓模型对玉米种子高光谱图像进行轮廓提取,得到每粒玉米在400~1 000 nm共233个波段范围内的4个光谱特征,利用不同的特征及预处理方式结合偏最小二乘判别分析建立玉米种子的产地和年份鉴别模型。结果显示,利用最佳特征及预处理方式建立的玉米种子产地和年份鉴别模型中,训练集和测试集精度分别为99.11%和98.39%。研究结果表明,利用高光谱图像技术对玉米种子的产地和年份进行无损鉴别是可行的。     

基于光谱技术的支持向量机判别牛肉新鲜度

目的 实现生鲜牛肉新鲜度等级的无损快速判别。方法 用可见/近红外光谱检测系统, 获取储存1~18 d的36块牛肉样品的400~1600 nm范围的光谱信息, 以挥发性盐基氮理化值为分类依据。用多元散射校正(MSC)、变量标准化(SNV)、SG平滑预处理方法处理光谱数据, 分别建立牛肉新鲜度的支持向量机分类模型。结果 MSC+SG预处理后所建立的分类模型预测能力最好, 训练集和测试集的回判识别率和预测识别率分别为96.30%、100%, 验证集的识别率为88.89%。结论 可见/近红外光谱结合支持向量机, 对牛肉新鲜度进行无损快速判别是可行的。